AI-driven modellering och nedbrytning av bionedbrytbara polymerer

Plast i naturen och öppna miljöer är ett växande miljöproblem – även när det gäller biologiskt nedbrytbara plaster. I Norden är klimatet svalt, vilket gör att nedbrytningsprocesserna går långsammare. Därför finns en risk att även biologiskt nedbrytbara plaster stannar kvar längre än förväntat.

Samtidigt är det svårt att helt undvika plast- och polymeranvändning i vissa områden, exempelvis jordbruket. I dessa fall anses biologiskt nedbrytbara polymerer vara ett potentiellt bättre alternativ än persistenta polymerer, särskilt där insamling och återanvändning av plasten efter användning inte är möjlig. För att sådana material ska kunna användas säkert krävs dock bättre verktyg för att förstå hur de faktiskt bryts ner under verkliga nordiska förhållanden.

Dagens standardtester genomförs ofta i laboratorier med förhållanden som inte alltid speglar fältets komplexitet. Detta kan leda till missvisande bedömningar – antingen överskattas materialets bionedbrytning, vilket riskerar att mikroplaster lämnas kvar i miljön, eller så underskattas den och materialet avfärdas i onödan. Båda fallen skapar osäkerhet som hämmar innovation och utveckling av nya hållbara och cirkulära lösningar.

Detta projekt syftar till att utveckla nya AI-baserade modeller som kan förutsäga hur snabbt och fullständigt biologiskt nedbrytbara plaster bryts ner i öppna miljöer, särskilt inom nordiska klimatförhållanden. Som fallstudie kommer polymeren poly(butylen adipat tereftalat) (PBAT) att undersökas, eftersom den har bättre nedbrytningsförmåga i naturliga miljöer än många andra bioplaster. Genom att kombinera data från vetenskapliga studier med laboratorieexperiment ska projektet bygga en maskininlärningsbaserad modell som tar hänsyn till faktorer som temperatur och materialform. AI-modellen kan bli ett kostnadseffektivt och mer träffsäkert verktyg för att bedöma nedbrytbarhet i relevanta miljöer.